@Article {Kanwar2000008，作者= {Kanwar，Manreet K.和Gomberg-Maitland，Mardi和Hoper，Marius和Pausch，Christine和Pittrow，大卫和奇怪，杰夫和安德森，詹姆斯J.和Zhao，Carol和Scott，Jacqueline V.。和德鲁兹州，Marek J.和Kraisangka，Jidapa和Lohmueller，Lisa和Antaki，James和Benza，Raymond L.}，标题= {肺动脉高血压的风险分层使用Bayesian分析}，体积= {56}，Number = {2}，Elocation-ID = {2000008}，年= {2020}，DOI = {10.1183 / 13993003.00008-2020}，出版商= {欧洲呼吸社会}，摘要= {188bet官网地址背景当前风险分层工具，肺动脉高压（PAH）部分地受到歧视性能力，部分原因是假设预后临床变量与临床结果具有独立和线性关系的假设。我们寻求展示基于贝叶斯网络的机器学习的效用，提高了现有最先进的风险分层工具的预测能力，揭示了2.0.0.方法我们派生了一棵树增强的na {\“\ i} ve贝叶斯模型（标题Phora）预测揭示登记处包含的PAH患者的1年生存，使用相同的变量和在泄露2.0中发现的变量和切割点。在内部验证了Phora模型（在揭示登记处）和外部（在Compera和Phsanz注册表）。患者分为低，中间和高风险（分别分别为低风险（\ <5 \％，5 {\ textendh} 20 \％和\> 10 \％12个月死亡率）2015年欧洲心脏病学会/欧洲呼吸学协会指南。菲尔达在0.80的曲线（A188bet官网地址UC）下有一个区域，用于预测1年的存活率，这是一个改善，这是透露2.0（AUC 0.76）的改进。在Compera和Phsanz验证时登记处，Phora分别显示了0.74和0.80的AUC。1年对于风险评分较低的患者（P \ <0.001）较低的患者（P \ <0.001）较差的患者而言，Phora预测的存活率更大，并且在所有三个注册表中的低，中间和高风险群体之间具有优异的分离。结论我们的贝叶斯网络衍生的风险预测模型Phora展示了对现有模型的歧视的改进。 This is reflective of the ability of Bayesian network-based models to account for the interrelationships between clinical variables on outcome, and tolerance to missing data elements when calculating predictions.Bayesian machine-learning algorithms can improve discrimination of risk stratification in PAH. Our BN model, titled PHORA, predicts 1-year mortality with an AUC of 0.8, risk-stratifies patients effectively and is validated in two independent PAH registries. https://bit.ly/2xc0EVJ}, issn = {0903-1936}, URL = {//www.qdcxjkg.com/content/56/2/2000008}, eprint = {//www.qdcxjkg.com/content/56/2/2000008.full.pdf}, journal = {European Respiratory Journal} }